PPT是针对博主使用粒子群优化算法解决水面无人艇静态、动态障碍物规避，及场地规划三类问题，做了更深入的总结分析。
与目前火热的机器学习不同，智能优化算法需要对问题建立确定的模型，具有明确的优化目标函数，对优化变量不断的寻优。
通过对三种算法的问题描述、模型建立、算法参数确定、算法流程描述、计算结果分析，及从维度、优化变量、优化目标、针对业务的PSO优化四个方面，对应用在不同场景下的三种粒子群算法进行对比总结，旨在更彻底的剖析如何将粒子群优化算法应用到具体的问题中。
该PPT是原版包含动画的PPT（Office版本越高越好，至少2010，否则有些动画在低版本显示有问题），自我感觉PPT做的很正、很文艺范，是博主7年来打杂做各种PPT经验的大成之作（说白了也就这水平），相信看完原版PPT你就会觉得原来技术分享也可以这么文艺范！
与目前火热的机器学习不同，智能优化算法需要对问题建立确定的模型，具有明确的优化目标函数，对优化变量不断的寻优。
通过对三种算法的问题描述、模型建立、算法参数确定、算法流程描述、计算结果分析，及从维度、优化变量、优化目标、针对业务的PSO优化四个方面，对应用在不同场景下的三种粒子群算法进行对比总结，旨在更彻底的剖析如何将粒子群优化算法应用到具体的问题中。
该PPT是原版包含动画的PPT（Office版本越高越好，至少2010，否则有些动画在低版本显示有问题），自我感觉PPT做的很正、很文艺范，是博主7年来打杂做各种PPT经验的大成之作（说白了也就这水平），相信看完原版PPT你就会觉得原来技术分享也可以这么文艺范！
2023/3/8 1:11:05
18.56MB
1
第1篇为MATLAB常用算法应用设计，包括贝叶斯分类器的数据处理、背景差分的运动目标检测、小波变换的图像压缩、BP的模型优化预测、RLS算法的数据预测、GA优化的BP网络算法分析、分形维数应用、碳排放约束下的煤炭消费量优化预测、焊缝边缘检测算法对比分析、指纹图像细节特征提取、多元回归模型的矿井通风量计算、非线性多混合拟合模型的植被过滤带计算、伊藤微分方程的布朗运动分析、Q学习的无线体域网路由方法和遗传算法的公交排班系统分析。
第2篇为MATLAB高级算法应用设计，包括人脸检测识别、改进的多算子融合图像识别系统设计、罚函数的粒子群算法的函数寻优、车载自组织网络中路边功能及防碰撞算法研究、免疫算法的数值逼近优化分析、启发式算法的函数优化分析、一级倒立摆变结构控制系统设计与仿真研究、蚁群算法的函数优化分析、引力搜索算法的函数优化分析、细菌觅食算法的函数优化分析、匈牙利算法的指派问题优化分析、人工蜂群算法的函数优化分析、改进的遗传算法的城市交通信号优化分析、差分进化算法的函数优化分析和鱼群算法的函数优化分析。
第2篇为MATLAB高级算法应用设计，包括人脸检测识别、改进的多算子融合图像识别系统设计、罚函数的粒子群算法的函数寻优、车载自组织网络中路边功能及防碰撞算法研究、免疫算法的数值逼近优化分析、启发式算法的函数优化分析、一级倒立摆变结构控制系统设计与仿真研究、蚁群算法的函数优化分析、引力搜索算法的函数优化分析、细菌觅食算法的函数优化分析、匈牙利算法的指派问题优化分析、人工蜂群算法的函数优化分析、改进的遗传算法的城市交通信号优化分析、差分进化算法的函数优化分析和鱼群算法的函数优化分析。
2023/2/13 17:50:16
9.07MB
1
文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。
2023/2/8 18:37:14
3.39MB
1
引见Petri网的知识表示方法以及案例推理机制的相关内容,提出了一种基于Petri网的案例推理模型,给出了相应的案例检索匹配算法,并将该模型和检索算法应用到网络攻防态势推演系统中,最后重点引见了该系统的案例库的知识表示。
2019/10/9 8:31:42
436KB
1
网络视频资源，如有侵权请留言/举报，资源过大上传乃是下载链接！！！!1.1.1线性表的逻辑结构1_10],r3`2t%j&?L&u(}2.1.2线性表的顺序存储结构_1_23.1.3线性表的链式存储结构_1_3_22h&A(D"j5F-i+I4N%S4.1.3线性表的链式存储结构1_3_1(C'z9h3~:v"q"k5.小结：顺序表和链表的比较与选择依据_1_46.章节总结及典型例题分析_1_57.2.1栈的类型定义_2_18.2.2栈的应用举例_2_2._)\%q6h*_6p!{9.2.3栈类型的实现_2_35X$M0sz0S&h7g:s10.2.4、2.5队列的类型定义及实现_2_40F.|1E$@,T/z2g7N(|,A11.2.6、2.7数组的类型定义、数组的顺序表示和实现_2_5'T*_$t*U5E'~:l'L%S&N7i5q12.2.8特殊矩阵的压缩存储_2_613.章节总结及典型例题分析_2_7*i1K%?#a:k+l;_C#Y/O14.3.1树的类型定义_3_1(I5J0P0o6}n15.3.2二叉树的类型定义_3_216.3.3二叉树的存储结构_3_3/X0p(f'd%|3p17.3.4遍历算法应用举例3_4_23f,WM;b5X+{)R9\#M:n/g18.3.4二叉树的遍历_3_4_1)c2Y+^*v"K2[:}2n"|19.3.5线索二叉树_3_520.3.6树和森林的表示法_3_6;a0?$C5K)|"K2[6t7}2i21.3.7树和森林的遍历_3_7+j4p(B5s6`"nN|3@22.3.8哈夫曼树和哈夫曼树编码_3_8'l)t*^(i*Y%a~.e,S-J23.章节总结及典型例题分析_3_9'j:?'j1u(u:q&y24.4.1抽象数据类型图的定义25.4.2图的存储表示!t)e!R(L3x"^:D*y-y26.4.3图的遍历'br0I;|4V-jt$y27.4.4最小生成树6Q9P3F.lJ/n28.4.5拓扑排序7Q1X(t!E,O)]4|/L29.4.6关键路径_4_66ce5N2D7B8d)D(n/v/~30.4.7两点之间的最短路径问题+u!d.o/s7b31.4.8章节总结及典型例题分析4S%p9G:}/s7w32.5.1静态查找表1gj8T7|"X.o#P&r.A33.5.2动态查找表p3c#L.[&y34.5.3散列表)n7y(K:K(o*H8E/_,}/S35.5.4字符串模式婚配6K2X(o[.C;|'F36.5.5章节总结及典型例题分析37.6.1排序的基本概念#s:J(L.W-X6Y#A#?!G1\1}38.6.2插入类排序*R"k'A3E5S:x39.6.3交换类排序法40.6.4选择类排序法41.6.5归并排序、6.6分配类排序5O'{1c+p1[:h2r)m42.6.7各种排序方法的综合比较5e8p%s*L$Y-P3G+K43.章节总结及典型例题分析
2019/6/23 18:13:37
274B
1
网络视频资源，如有侵权请留言/举报，资源过大上传乃是下载链接！！！!1.1.1线性表的逻辑结构1_10],r3`2t%j&?L&u(}2.1.2线性表的顺序存储结构_1_23.1.3线性表的链式存储结构_1_3_22h&A(D"j5F-i+I4N%S4.1.3线性表的链式存储结构1_3_1(C'z9h3~:v"q"k5.小结：顺序表和链表的比较与选择依据_1_46.章节总结及典型例题分析_1_57.2.1栈的类型定义_2_18.2.2栈的应用举例_2_2._)\%q6h*_6p!{9.2.3栈类型的实现_2_35X$M0sz0S&h7g:s10.2.4、2.5队列的类型定义及实现_2_40F.|1E$@,T/z2g7N(|,A11.2.6、2.7数组的类型定义、数组的顺序表示和实现_2_5'T*_$t*U5E'~:l'L%S&N7i5q12.2.8特殊矩阵的压缩存储_2_613.章节总结及典型例题分析_2_7*i1K%?#a:k+l;_C#Y/O14.3.1树的类型定义_3_1(I5J0P0o6}n15.3.2二叉树的类型定义_3_216.3.3二叉树的存储结构_3_3/X0p(f'd%|3p17.3.4遍历算法应用举例3_4_23f,WM;b5X+{)R9\#M:n/g18.3.4二叉树的遍历_3_4_1)c2Y+^*v"K2[:}2n"|19.3.5线索二叉树_3_520.3.6树和森林的表示法_3_6;a0?$C5K)|"K2[6t7}2i21.3.7树和森林的遍历_3_7+j4p(B5s6`"nN|3@22.3.8哈夫曼树和哈夫曼树编码_3_8'l)t*^(i*Y%a~.e,S-J23.章节总结及典型例题分析_3_9'j:?'j1u(u:q&y24.4.1抽象数据类型图的定义25.4.2图的存储表示!t)e!R(L3x"^:D*y-y26.4.3图的遍历'br0I;|4V-jt$y27.4.4最小生成树6Q9P3F.lJ/n28.4.5拓扑排序7Q1X(t!E,O)]4|/L29.4.6关键路径_4_66ce5N2D7B8d)D(n/v/~30.4.7两点之间的最短路径问题+u!d.o/s7b31.4.8章节总结及典型例题分析4S%p9G:}/s7w32.5.1静态查找表1gj8T7|"X.o#P&r.A33.5.2动态查找表p3c#L.[&y34.5.3散列表)n7y(K:K(o*H8E/_,}/S35.5.4字符串模式婚配6K2X(o[.C;|'F36.5.5章节总结及典型例题分析37.6.1排序的基本概念#s:J(L.W-X6Y#A#?!G1\1}38.6.2插入类排序*R"k'A3E5S:x39.6.3交换类排序法40.6.4选择类排序法41.6.5归并排序、6.6分配类排序5O'{1c+p1[:h2r)m42.6.7各种排序方法的综合比较5e8p%s*L$Y-P3G+K43.章节总结及典型例题分析
2019/6/23 18:13:37
274B
1
为处理低速率声码器合成语音中，由于语音帧清浊判决不够准确而造成的偶发性嘶哑、机器音较重及变调等问题，提出一种基于支持向量机（SupportVectorMachine，SVM）并结合多种语音特征参数的清浊音判决优化算法。
实验结果显示，该算法能够有效降低清浊音的误判率，进而使合成语音的清晰度和自然度得到改善。
将本算法应用到正弦激励线性预测算法中，在与相同码率的其他算法的比较实验中，得到较高的PESQ-MOS分，显示出一定的优势。
实验结果显示，该算法能够有效降低清浊音的误判率，进而使合成语音的清晰度和自然度得到改善。
将本算法应用到正弦激励线性预测算法中，在与相同码率的其他算法的比较实验中，得到较高的PESQ-MOS分，显示出一定的优势。
2021/1/9 20:13:48
1.01MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB